EmbeddingGemma
Открытая компактная модель Google для векторного представления текста, кода и мультимедиа, которая работает локально и офлайн.
- Русский интерфейс
- Нет
- Работает с русским языком
- Да
- Разработчик
- Версия
- 2 · с 6 октября 2026
- Страна
- США
EmbeddingGemma — семейство открытых моделей Google DeepMind, превращающих текст, код, изображения, аудио и видео в числовые векторы. Такие векторы нужны для семантического поиска, RAG-систем, кластеризации и классификации. Главная особенность — небольшой размер: текстовая часть занимает порядка 270 млн параметров и может работать на телефоне или ноутбуке без интернета, а мультимодальные кодировщики подключаются по необходимости. Модель понимает более 100 языков, поддерживает длинный контекст и позволяет сокращать размерность вектора, экономя место в векторной базе. Веса открыты и доступны для дообучения.
Возможности
Семантический поиск
Превращает запросы и документы в векторы, чтобы находить материалы по смыслу, а не по словам.
Поддержка RAG
Подходит для поиска контекста в системах с генерацией, дополненной извлечением, включая мультимодальные.
Работа на устройстве
Текстовая часть требует около 191 МБ памяти после квантизации и работает локально, без отправки данных в облако.
Мультимодальность
Изображения, аудио и видео попадают в то же векторное пространство, что и текст и код.
Более 100 языков
Тексты и исходный код обрабатываются на многих языках, включая русский.
Гибкая размерность
Вектор из 768 чисел можно сократить до 512, 256 или 128, чтобы уменьшить хранилище.
Поиск по коду
Модель обучена работать с исходным кодом, что полезно для поиска по репозиториям.
Кому подойдёт
- Разработчики
Встраивают поиск и RAG в приложения, в том числе работающие офлайн на устройстве.
- Исследователи и учёные
Открытые веса и техническое описание позволяют дообучать и сравнивать модель на своих данных.
- Аналитики
Помогает кластеризовать и классифицировать большие массивы текстов и документов.
Как начать
- Скачайте веса модели с Hugging Face или Kaggle.
- Подключите её через Sentence Transformers, Ollama, llama.cpp или LiteRT.
- Преобразуйте документы и запросы в векторы и сохраните их в векторной базе.
- При необходимости сократите размерность вектора или дообучите модель на своих данных.
Тарифы
Затраты — только на собственное железо или облако.
Ограничения
- Модель выдаёт только векторы и сама не генерирует ответы.
- Для мультимодальной сборки нужно заметно больше памяти, чем для текстовой части.
- Для готовых ответов требуется отдельная языковая модель.
Платформы и интеграции
Семейство
Соседи по смыслу
за последний месяц